#!/usr/bin/env python
# coding: utf-8

# In[1]:


from datetime import datetime
print(f'Päivitetty {datetime.now().date()} / Aki Taanila')


# # Seaborn
# 
# Seaborn on matplotlibin päälle rakennettu grafiikka-paketti, joka tarjoaa helppoja tapoja kaavioiden luontiin suoraan datasta. Kaavioita voin muotoilla kuten mitä tahansa matplotlib-kaavioita, joten muotoilu edellyttää matplotlib-osaamista.
# 
# Tässä muistiossa on esimerkkejä seuraavista kaaviolajeista:
# 
# * **countplot** - lukumääräyhteeveto kategoriselle muuttujalle
# * **histplot** -  luokiteltu jakauma määrälliselle muuttujalle
# * **barplot** - virhemarginaaleilla varustettu pylväskaavio keskiarvoista
# * **boxplot** - viiden luvun yhteeveto (pienin, alaneljännes, mediaani, yläneljännes, suurin)
# * **scatterplot** - hajontakaavio, joka havainnollistaa kahden määrällisen muuttujan välistä riippuvuutta
# * **jointplot** - hajontakaavio täydennettynä muuttujien jakaumilla
# 
# Tässä muistiossa on myös esimerkkejä usean kaavion kuvioista käyttäen **catplot**-, **displot**- ja **relplot**-funktioita.
# 
# Seaborn-kaavioita on helppo laatia, jos muistaa keskeiset parametrit:
# 
# * **data**
# * **x**
# * **y**
# * **hue** (minkä muuttujan mukaan tehdään värierottelu?)
# * **row** (yhdistelmäkaavioiden catplot, displot ja relplot yhteydessä)
# * **col** (yhdistelmäkaavioiden catplot, displot ja relplot yhteydessä)
# * **kind** (kaaviolaji yhdistelmäkaavioiden catplot, displot ja relplot yhteydessä)
# 
# 
# ## Seaborn-kaavioiden värit ja koot
# 
# Kaavion luonnissa voin määrittää värin **color**-parametrin arvona. Esimerkiksi tämän muistion ensimmäiseen kaavioon saan pylväille vihreän värin seuraavasti: `sns.countplot(data=tips, x='size', color='green')`. Reunavärin voin määrittää **edgecolor**-parametrilla.
# 
# * Värejä: https://matplotlib.org/stable/gallery/color/named_colors.html
# 
# Kaavion luonnissa voit määrittää käytettävän värikartan **palette**-parametrilla.
# 
# * Värikarttoja: https://matplotlib.org/stable/tutorials/colors/colormaps.html
# 
# Yksittäisen kaavion koon voin määrittää luomalla kaaviota ympäröivän kuvion (figure) ennen kaavion luomista. Esimerkiksi `plt.figure(figsize=(10,6))`.
# 
# Yhdistelmäkaavion (catplot, displot, relplot, jointplot) kokoa säädän **height**- ja **aspect**-parametreillä.

# In[2]:


import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

# Käytetään valmista tyylimäärittelyä (vaihtoehtoja 'darkgrid', 'white', 'dark')
sns.set_style('whitegrid')


# In[3]:


tips = sns.load_dataset('tips')    # Esimerkkidata ravintolaseurueiden tipeistä
tips


# ## countplot
# 
# Sopii kategoristen muuttujien lukumääräyhteenvetoihin: https://seaborn.pydata.org/generated/seaborn.countplot.html

# In[4]:


# Eri kokoisten seurueiden lukumäärät
plt.figure(figsize=(4, 3))
sns.countplot(data=tips, x='size')


# In[5]:


# Lounas- ja päivällisseurueiden lukumäärät eri viikonpäivinä
plt.figure(figsize=(4, 3))
sns.countplot(data=tips, x='day', hue='time')


# countplot sopii käytettäväksi <b>catplot</b>-toiminnon yhteydessä (`kind='count'`). Tällöin voin esittää useita kaavioita kategoristen muuttujien määräämille ryhmille. Seuraavassa ryhmittelevinä kategorisina muuttujina ovat sex (`col='sex'`) ja smoker (`row='smoker'`).
# 
# https://seaborn.pydata.org/generated/seaborn.catplot.html

# In[6]:


# Lounas- ja päivällisseurueiden lukumäärät sukupuolen ja tupakoinnin mukaan
sns.catplot(data=tips, x='time', col='sex', row='smoker', kind='count', height=2.5)


# ## histplot
# 
# Sopii määrällisen muuttujan luokitellun jakauman esittämiseen: https://seaborn.pydata.org/generated/seaborn.histplot.html

# In[7]:


sns.histplot(data=tips, x='total_bill')    # Laskun loppusummien jakauma


# In[8]:


# Itse määritellyt luokkarajat
sns.histplot(data=tips, x='total_bill', bins=[0, 10, 20, 30, 40, 50, 60])


# histplot sopii käytettäväksi **displot**-funktion yhteydessä (`kind='hist'`). Tällöin voin esittää useita histogrammeja kategoristen muuttujien määräämille ryhmille:
# https://seaborn.pydata.org/generated/seaborn.displot.html

# In[9]:


# tipin jakaumat tupakoinnin ja ajan mukaan
sns.displot(data=tips, x='tip', row='smoker', col='time', kind='hist', height=2.5)


# ## barplot
# 
# Sopii keskiarvojen esittämiseen. Musta viiva havainnoillistaa virhemarginaalin (luottamusväli): https://seaborn.pydata.org/generated/seaborn.barplot.html

# In[10]:


# Eri päivien tippien keskiarvot
plt.figure(figsize=(4, 3))
sns.barplot(data=tips, x='day', y='tip')


# In[11]:


# Eri päivien tippien keskiarvot sukupuolen mukaan
sns.barplot(data=tips, x='day', y='tip', hue='sex')
plt.legend(ncol=2)


# barplot sopii käytettäväksi **catplot**-funktion yhteydessä (`kind='bar'`). Tällöin voin esittää useita kaavioita kategoristen muuttujien määräämille ryhmille: https://seaborn.pydata.org/generated/seaborn.catplot.html

# In[12]:


# Eri päivien tippien keskiarvot tupakoinnin mukaan
sns.catplot(data=tips, x='day', y='tip', col='smoker', kind='bar', height=3)


# ## boxplot
# 
# Havainnollistaa viiden luvun yhteenvedon (pienin, alaneljännes, mediaani, yläneljännes, suurin). Muista selvästi poikkeavat havainnot esitetään erillisinä pisteinä. Lue lisää: https://seaborn.pydata.org/generated/seaborn.boxplot.html

# In[13]:


# Tipin suuruuden jakauma tunnuslukuina
plt.figure(figsize=(3, 3))
sns.boxplot(data=tips, x='tip', showmeans=True)


# In[14]:


# Tipin suuruus lounas- ja päivällisseurueille
plt.figure(figsize=(3, 3))
sns.boxplot(data=tips, x='time', y='tip')


# boxplot sopii käytettäväksi **catplot**-funktion yhteydessä (`kind='box'`). Tällöin voin esittää useita kaavioita kategoristen muuttujien määräämille ryhmille: https://seaborn.pydata.org/generated/seaborn.catplot.html

# In[15]:


# Laskun loppusumma seurueen koon ja ajan mukaan
sns.catplot(data=tips, x='size', y='total_bill', col='time', kind='box', height=3)


# <h2>scatterplot</h2>
# 
# Havainnollistaa kahden määrällisen muuttujan välisen riippuvuuden: https://seaborn.pydata.org/generated/seaborn.scatterplot.html

# In[16]:


plt.figure(figsize=(3, 3))
sns.scatterplot(data=tips, x='total_bill', y='tip', hue='time')


# scatterplot sopii käytettäväksi **relplot**-funktion yhteydessä (`kind='scatter'`). Tällöin voin esittää useita kaavioita kategoristen muuttujien määräämille ryhmille: https://seaborn.pydata.org/generated/seaborn.relplot.html

# In[17]:


# Laskun loppusumma ajan mukaan. Värierottelu tupakoinnin mukaan.
sns.relplot(data=tips, x='total_bill', y='tip', col='time', hue='smoker', kind='scatter', height=3)


# ## jointplot
# 
# Havainnollistaa kahden määrällisen muuttujan välisen riippuvuuden ja esittää samalla kummankin muuttujan jakaumat: http://seaborn.pydata.org/generated/seaborn.jointplot.html

# In[18]:


# Laskun loppusumman ja tipin välinen riippuvuus
sns.jointplot(data=tips, x='total_bill', y='tip', kind='reg', height=4)


# In[19]:


# Värierottelu ajan mukaan
sns.jointplot(data=tips, x='total_bill', y='tip', hue='time', height=4)


# ## Lisätietoa
# 
# Lisätietoa löydät kaaviolaji-kohtaisista muistioistani:
# 
# * countplot ja catplot https://nbviewer.org/github/taanila/kaaviot/blob/master/sns_count.ipynb 
# * histplot ja displot https://nbviewer.org/github/taanila/kaaviot/blob/master/sns_hist.ipynb 
# * barplot ja catplot https://nbviewer.org/github/taanila/kaaviot/blob/master/sns_bar.ipynb  
# * boxplot ja catplot https://nbviewer.org/github/taanila/kaaviot/blob/master/sns_box.ipynb 
# * scatterplot ja relplot, pairplot https://nbviewer.org/github/taanila/kaaviot/blob/master/sns_scatter.ipynb